買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉中國移動通信集團江蘇有限公司;中國移動通信集團有限公司申請的專利業務數據決策方法、裝置、電子設備及存儲介質獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115249077B 。

龍圖騰網通過國家知識產權局官網在2025-09-23發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202110454446.1，技術領域涉及：G06Q10/04；該發明授權業務數據決策方法、裝置、電子設備及存儲介質是由孫謙晨;慶祖良;蔣強;耿東山;陳劼設計研發完成，并于2021-04-26向國家知識產權局提交的專利申請。

本業務數據決策方法、裝置、電子設備及存儲介質在說明書摘要公布了：本發明提供業務數據決策方法、裝置、電子設備及存儲介質，包括：獲取業務費用數據；將業務費用數據輸入至預先訓練好的多階段級聯異常指標檢測模型中，得到異常數據檢測結果。本發明通過將傳統機器學習和深度學習模型級聯檢測，由粗粒度到細粒度判斷當期費用是否存在異常，層層遞進，既保證了明顯異常能夠被快速定位，又保證了輕微異常能夠被捕捉。

本發明授權業務數據決策方法、裝置、電子設備及存儲介質在權利要求書中公布了：1.業務數據決策方法，其特征在于，包括： 獲取業務費用數據； 將所述業務費用數據輸入至預先訓練好的多階段級聯異常指標檢測模型中，得到異常數據檢測結果；其中，所述多階段級聯異常指標檢測模型是基于業務費用歷史數據，由動態異常檢測模型、基于自身時序信息構建的第一XGBOOST異常檢測模型、非時序特征篩選函數模型、第二XGBOOST異常預測模型，基于外部自身時序信息和外部非時序特征構建的LSTM指標預測模型以及基于業務性質構建的占比異常判別模型依次級聯構建得到的； 其中，所述動態異常檢測模型，通過以下步驟獲得： 確定預設時間窗口，基于所述預設時間窗口截取所述業務費用歷史數據，得到具有預設時間窗口長度的歷史業務費用向量； 分別計算所述歷史業務費用向量的第一均值、第一中位數值、最大值和最小值； 基于所述第一均值、所述第一中位數值、所述最大值和所述最小值計算得到動態閾值； 依次計算得到所述歷史業務費用向量中所有相鄰數據的絕對差值； 由所述絕對差值和所述動態閾值構建獲得所述動態異常檢測模型； 所述第一XGBOOST異常檢測模型，通過以下步驟獲得： 獲取所述歷史業務費用向量的自身時序信息； 基于自身時序信息將所述歷史業務費用向量轉化為監督模型格式，獲得特征數據，并將當期費用數據賦值為標簽； 由所述特征數據和所述標簽，基于XGBOOST算法構建所述第一XGBOOST異常檢測模型； 所述非時序特征篩選函數模型，通過以下步驟獲得： 確定所述業務費用歷史數據的外部特征，將所述外部特征轉化為外部特征向量； 分別計算所述外部特征向量的第二均值、第二中位數值和標準差； 基于所述第二均值、所述第二中位數值和所述標準差，構建變量離散度指標； 確定第一變量離散閾值，基于所述變量離散度指標和所述第一變量離散閾值構建得到所述非時序特征篩選函數模型； 所述第二XGBOOST異常預測模型，通過以下步驟獲得： 基于業務特點篩選所述外部特征，分別得到用戶層面特征、產品層面特征和流量層面特征； 將所述用戶層面特征、所述產品層面特征和所述流量層面特征合并為衍生特征向量； 將所述外部特征向量、所述衍生特征向量和所述特征數據拼接形成拼接向量； 由所述拼接向量和所述標簽，基于所述XGBOOST算法構建所述第二XGBOOST異常檢測模型； 所述基于外部自身時序信息和外部非時序特征構建的LSTM指標預測模型，通過以下步驟獲得： 基于外部信息時間的一致性將所述外部特征構造為類別型外部特征，基于外部信息時間的增長率將所述外部特征構造為數值型外部特征； 將所述類別型外部特征和所述數值型外部特征合并至所述衍生特征向量，并基于LSTM算法，構建得到所述LSTM指標預測模型； 所述占比異常判別模型，通過以下步驟獲得： 獲取當期業務費用的實際值和預測值，基于所述實際值和所述預測值得到實際值和誤差值的誤差占比； 確定第二變量離散閾值，基于所述誤差占比和所述第二變量離散閾值，構建得到所述占比異常判別模型。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中國移動通信集團江蘇有限公司;中國移動通信集團有限公司，其通訊地址為：210029 江蘇省南京市虎踞路59號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。